频率感知域随机化用于医疗图像细分中的单源域概括
Jiayi Wu1, Zikai Chen2, Yiyi Chen1
1National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, National Engineering Research Center for Visual Information and Applications, and Institute of Artificial Intelligence and Robotics, Xi'an Jiaotong University, Xi'an, China.
Medical physics
|November 29, 2025
概括
新的随机域泛化 (RandDG) 方法通过解决域移动挑战来改善医疗图像细分. 这种频率意识的方法提高了概括能力,显示了腹部和前列腺数据集的显著改善.
科学领域:
- 医学图像分析 医学图像分析
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像细分的深度学习模型与域移动作斗争,其中测试数据与训练数据不同.
- 单源域泛化 (DG) 训练在一个域上的模型对未见的域进行泛化,但当前的方法存在纹理偏差和有限的风格多样性.
研究的目的:
- 提出随机域泛化 (RandDG),用于医疗图像细分中的单源DG的频率意识方法.
- 通过协调输入和特征空间扰动来增强概括能力,使用轻量级频域架构.
主要方法:
- 引入了一个全球U-Shape网络 (GUNet) 用于高效的长距离依赖模型使用里埃变换.
- 采用统一的低频谱变换 (ULoFT) 过器用于特征空间扰动,将源统计数据与统一值混合在一起.
- 使用双空间随机化框架,输入空间增强 (GIN过器) 和特征空间扰动 (ULoFT),通过一致性损失进行调整.
主要成果:
- 在腹部CT-MRI和跨中心前列腺数据集上实现了优越的概括,显著优于竞争方法.
- 在腹部数据集中显示平均DSC为87.96%和HD为4.82毫米,在前列腺数据集中显示75.95%的DSC和8.36毫米的HD.
- 与UNet基线相比,显示了显著的改善,平均DSC高达19.36%,平均HD降低.
结论:
- RandDG有效地解决了单源DG中的纹理偏差和有限的风格多样性,用于使用频率感知双空间随机化框架进行医疗图像细分.
- 该方法对实际临床部署有希望,在目标领域数据不可用的情况下.


